عنوان پایان‌نامه
بکارگیری روشهای هوشمند در مدلسازی چند مقیاسی تومورهای سرطانی جهت شیمی درمانی
- رشته تحصیلی
- مهندسی کامپیوتر-هوش مصنوعی- رباتیک
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1379;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 37009
- تاریخ دفاع
- ۲۳ بهمن ۱۳۸۶
- دانشجو
- الهام باوفای حقیقی
- استاد راهنما
- حمید سلطانیان زاده, محمدجواد یزدان پناه
- چکیده
- این پروژه سعی در یافتن بهترین روش شیمی‌درمانی در مدل چندمقیاسی برای اولین بار دارد. جهت عملی شدن این امر از برنامه‌های پیشنهادی در مدل گومپرتزین و یک شبکه عصبی بهره گرفته شده است. با استفاده از نتایج این پروژه می‌توان امیدوار بود که با واقع‌گرایانه‌تر کردن ابعاد شبیه‌سازی در مدل چندمقیاسی و نیز استفاده از مدلهای ساده‌تر به پیش‌بینی بهترین پاسخ درمان در روشهای درمانی ترکیبی با شیمی‌درمانی دست یافت. جهت بدست آوردن بهترین برنامه‌های پیشنهادی در مدل گومپرتزین، با استفاده از یک تحلیل خطی مسیر‌های درمانی که روند نزولی را در طی درمان تظمین می‌کنند، ایجاد شده و در اختیار الگوریتم بهینه‌ساز هوش دسته‌جمعی قرار می‌گیرد. به ازای تابع هزینه‌های مختلف الگوریتم مذکور اجرا گشته و از نتایج آن در به دست آوردن مسیر بهینه در روش چند مقیاسی استفاده می‌شود. به منظور شبیه‌سازی بهترین نتایج مدل گومپرتزین از یک شبکه عصبی استفاده شده است که سرعت شبیه‌سازی را افزایش می‌دهد. شبکه مذکور مبتنی بر ترکیب نگاشت خود سازمانده و یک آستانه احساسی همبافت آگاه است. این پارامتر که بدون مقدار دهی مستقیم توسط برنامه‌نویس، مقدار آن در لایه‌های مختلف شبکه تعیین می‌گردد، ضامن حفظ کیفیت خوشه‌یابی می‌باشد. ترکیب همزمان دو روش از بالا به پایین و از پایین به بالا دراین پروژه سبب شده است که همچنان که به صورت تودرتو از مزیت روشهای از بالا به پایین (افزایش سرعت خوشه‌یابی) بهره گرفته می‌شود، دقت روشهای از پایین به بالا را نیز که کلیت هرم را در بر می‌گیرد، از دست نرود. با انتخاب بردار ویژگی مناسب از مدل چندمقیاسی، آموزش شبکه عصبی و پس از آن بکارگیری برنامه‌های پیشنهادی مقیاس شده از مدل گومپرتزین، اولا وجود ارتباط معنی‌دار میان مدل گومپرتزین و مدل چندمقیاسی نشان داده می‌شود، ثانیا تظاهر هوشمندی را در مدلسازی کاهش استرس بر بافت سالم پس از شیمی‌درمانی می‌توان ملاحظه کرد.
- Abstract
- This project tries to find the best way for chemotherapy of multiscale cancer model for the first time. For this purpose the best treatment programs of gompertz model and a hierarchical neural network has been applied. Presented methods and algorithms in this project can result in finding the best treatment of chemotherapy in combination with other treatments by simulating multiscale model with realistic sizes and using simpler models. In order to find the best treatment programs of gompertz model, a linear analysis which is optimized using least square estimation, is introduced. By applying the optimized analysis, the estimation of nonlinear relation between the drug dosage and the initial and final number of cancer cells, after a specified treatment gap, will be possible. The new method is applied in combination with swarm intelligence, to find an estimation of optimal treatment program for chemotherapy with various cost functions. In order to simulate multiscale model with the best treatment programs gained from swarm optimizer, a hierarchical neural network (NN) has been used. The NN speeds up the simulating process. The basis of the NN is an enhanced version of SOM with context awareness excitating threshold of the neuron. The new threshold and the overall bottom-up design guarantee the quality of clustering and the embedded top-down architecture reduces the computational complexity. By extracting the proper feature vector from the multiscale model, the hierarchical neural network and applying the scaled-best treatment programs of gompertz model, it is shown that there is a relation between the best treatment program in gompertz model and multiscale one. In addition, simulating the effect of stress reduction on normal tissue after chemotherapy is another advantage of the project which emerges intelligently.
